Jurnal Gradien Vol.4 No.

2 Juli 2008 : 372-381

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (),
Kendall-Tau (), Gamma (G) , dan Somers ) (
yx
d

Sigit Nugroho, Syahrul Akbar, dan Resi Vusvitasari

Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Bengkulu, Indonesia

Diterima 12 Mei 2008; Disetujui 20 Juni 2008

Abstrak - Penelitian ini bertujuan mengkaji tentang hubungan koefisien korelasi Pearson (r), Spearman-rho (), Kendall-tau
(), Gamma (G) dan Somers ) (
yx
d serta mempelajari penggunaan dari masing-masing koefisien korelasi untuk skala ordinal.
Metode yang digunakan dalam penulisan ini adalah studi literatur dan data yang digunakan adalah data simulasi yang dibuat
menggunakan program komputer Microsoft EXCEL. Data simulasi terdiri dari dua, yaitu data tidak normal (seragam) dan
data normal yang dibangkitkan dari data seragam. Hasil penelitian menunjukkan bahwa untuk data seragam, koefisien
korelasi yang diberikan oleh koefisien korelasi Spearman-rho () dan Kendall-tau () lebih besar dibandingkan dengan
Koefisien korelasi Pearson (r). Dan untuk data normal, koefisien korelasi yang diberikan oleh koefisien korelasi Pearson (r)
lebih besar dibandingkan koefisien korelasi Spearman-rho () dan Kendall-tau (). Ini membuktikan bahwa koefisien korelasi
Pearson sesuai digunakan untuk data yang berdistribusi normal, sedangkan koefisien korelasi Spearman-rho () dan
Kendall-tau () digunakan untuk data yang tidak normal. Penelitian juga menunjukan adanya hubungan yang linier antara
koefisien korelasi Gamma dan Somers.

Kata Kunci : Korelasi, Ukuran Asosiasi, Tabel Kontingensi, Statistika Nonparametrik.

1. Pendahuluan

Kekuatan dan sifat ketergantungan antar variabel
merupakan masalah sentral yang ingin diketahui pada
suatu penelitian. Kadang peneliti ingin mengetahui apakah
terdapat hubungan antara dua variabel dan seberapa kuat
hubungan kedua variabel tersebut. Uji statistika yang
mengukur keeratan hubungan antara dua variabel ini
disebut analisis korelasi (correlation). Ukuran untuk
menentukan kuatnya atau derajat keeratan hubungan antar
dua variabel dinamakan koefisien korelasi (the correlation
coefficient).

Dalam statistika parametrik, koefisien korelasi antara dua
variabel (bivariate) yang biasa digunakan adalah koefisien
korelasi momen hasil kali Pearson, yang dinotasikan
dengan r. Dimana skala data pengamatan serendah-
rendahnya adalah interval atau rasio. Jika data pengamatan
adalah berupa skala ordinal, dalam hal ini untuk uji
korelasi statistika nonparametrik, maka ada beberapa
koefisien korelasi yang dapat digunakan, yaitu koefisien
korelasi peringkat Spearman-rho (), Kendall-tau (),
Gamma (G), dan Somers
) (
yx
d
. Dari keempat koefisien
korelasi ini banyak peneliti yang mungkin ingin tahu
kapan harus menggunakan koefisien korelasi peringkat
Spearman-rho (), Kendall-tau (), Gamma (G), dan
Somers
) (
yx
d
dalam suatu penelitian. Untuk mengetahui
penggunaan dari masing-masing koefisien korelasi untuk
data berskala ordinal di atas, maka perlu dipelajari tentang
sifat-sifat dari keempat koefisien korelasi ini. Sehingga
nantinya para peneliti dapat mengetahui dan benar-benar
tepat dalam memilih koefisien korelasi mana yang akan
digunakan dalam penelitian.

Tujuan dari penulisan artikel ini adalah untuk mengkaji
tentang hubungan koefisien korelasi momen hasil kali
Pearson (r), Spearman-rho (), Kendall-tau (), Gamma
(G) dan Somers ) (
yx
d serta mempelajari penggunaan dari
koefisien korelasi peringkat Spearman-rho (), Kendall-
tau (), koefisien korelasi Gamma (G), dan Somers ) (
yx
d
dalam suatu penelitian. Kemudian akan diberikan contoh
kasus yang terkait dengan pembahasan.

Pengantar Teori Statistika Nonparametrik

Peneliti sering kali mengalami kesulitan untuk
memperoleh data kontinu pada penelitian yang mengikuti
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 373
distribusi normal. Hal ini salah satunya karena jumlah data
sampel yang didapat tidak cukup banyak sehingga tidak
memenuhi distribusi normal. Selain itu, banyak
pengukuran data dilakukan secara kualitatif dan data
dalam penelitian yang diperoleh sering berupa kategori
yang hanya dapat dihitung frekuensinya atau berupa data
yang hanya dapat dibedakan berdasarkan tingkatan atau
rankingnya.

Menghadapi kasus data kategorikal (nominal) atau data
ordinal seperti itu, jelas peneliti tidak mungkin
mempergunakan metode statistika parametrik. Karena
apabila asumsi-asumsi tidak dapat terpenuhi, akan
menghasilkan suatu kesimpulan yang tidak valid.
Kesulitan-kesulitan dalam data tetap harus diatasi supaya
analisis data bisa dilakukan dan menghasilkan suatu
kesimpulan yang valid. Sebagai gantinya diciptakan oleh
pakar metode statistika alternatif yang sesuai yaitu metode
statistika nonparametrik sebagai pelengkap statistika
parametrik.

Metode statistika nonparametrik merupakan suatu metode
analisis data tanpa memperhatikan bentuk distribusinya
sehingga statistika ini sering juga disebut metode bebas
sebaran (distribution free methods), karena model uji
statistikanya tidak menetapkan syarat-syarat tertentu
tentang bentuk distribusi parameter populasinya. Artinya
bahwa metode statistika nonparametrik ini tidak
menetapkan syarat bahwa observasi-observasinya harus
ditarik dari populasi yang berdistribusi normal dan tidak
menetapkan syarat homoskedastisitas (homoscedasticity).

Selain tidak menetapkan syarat mengenai distribusi
populasinya, statistika nonparametrik juga tidak
menetapkan syarat-syarat mengenai parameter-parameter
populasi yang merupakan induk sampel penelitiannya.

Suatu metode statistika dapat dikatakan nonparametrik
apabila memenuhi paling sedikit satu kriteria dibawah ini :
1. Metode ini digunakan untuk data pengamatan dengan
skala nominal
2. Metode ini digunakan untuk data pengamatan dengan
skala ordinal
3. Metode ini digunakan untuk data pengamatan dengan
skala interval atau rasio, dimana distribusi populasinya
tidak diketahui.

Pemilihan macam uji statistika nonparametrik mana yang
paling sesuai didasarkan pada beberapa kriteria. Pertama
didasarkan pada skala pengukuran variabel
penelitiannya, baik itu skala nominal, ordinal, atau skala
interval/rasio. Pada dasarnya uji yang sesuai bagi variabel
dengan skala nominal atau ordinal adalah uji statistika
nonparametrik, namun terdapat juga uji statistika
nonparametrik yang berlaku pada variabel yang berskala
interval. Kedua, pemilihan uji statistika nonparametrik
didasarkan pada banyaknya sampel penelitian, apakah
berupa sampel tunggal, dua sampel berpasangan atau dua
sampel independen, atau sampelnya lebih dari dua buah
yang berpasangan atau yang independen. Ketiga,
pemilihan uji nonparametrik didasarkan pada jenis
penelitiannya, apakah berupa uji kesesuaian (goodness-of-
fit), uji banding, uji independensi, atau apakah berupa uji
keterikatan ( korelasi ) antara dua kumpulan atribut atau
dua kumpulan skor. Contoh uji statistika nonparametrik
diantaranya adalah uji binomial, uji median, uji tanda, uji
Kolmogorov-Smirnov, uji korelasi peringkat, uji Wilcoxon-
Mann-Whitney, uji Friedman dan lain sebagainya.

2. Analisis Korelasi Statistika Nonparametrik

Analisis korelasi merupakan uji statistika yang mengukur
keeratan hubungan antara dua variabel. Keeratan
hubungan antara dua variabel dapat diukur kekuatannya.
Indeks yang mengukur keeratan hubungan dua variabel
disebut koefisien korelasi. Nilai koefisien korelasi paling
(r) dapat dinyatakan sebagai berikut :
1 1 r (1)
r = 1, hubungan X dan Y sempurna dan positif (mendekati
1, yaitu hubungan sangat kuat dan positif).
r = -1,hubungan X dan Y sempurna dan negatif (mendekati
-1, yaitu hubungan sangat kuat dan negatif).
r = 0, hubungan X dan Y lemah sekali atau tidak ada
hubungan.

Sama halnya dengan statistika parametrik, analisis korelasi
pada statistika nonparametrik juga mempelajari apakah
ada hubungan antar dua variabel. Hanya pada korelasi
nonparametrik, data atau variabel yang akan diuji dan
diukur korelasinya adalah data nominal atau ordinal.
Sebagai contoh, apakah motivasi seseorang mempengaruhi
kepuasan bekerja orang tersebut. Di sini variabel motivasi
ataupun kepuasan kerja adalah data ordinal, karena tidak
mungkin motivasi dan kepuasan diukur seperti
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 374
pengukuran tinggi badan atau berat badan yang secara riil
dapat dilihat.

Dalam statistika parametrik, Koefisien korelasi yang
dikenal luas dan paling sering digunakan adalah koefisien
korelasi momen hasil kali Pearson yang dinotasikan
dengan r, dimana rumus r adalah sebagai berikut:
( )( )
( ) ( )
2
1
2 2
(
(

|
|

\
|

|
|

\
|

Y Y X X
Y Y X X
r
(2)
dengan X dan Y adalah variabel-variabel yang diamati dan
banyaknya sampel pengamatan. Perhitungan dalam teknik
korelasi ini mensyaratkan bahwa populasi asal sampel
mempunyai dua varian (bivariat) dan berdistribusi normal.
Selain itu teknik korelasi ini dalam aplikasinya digunakan
untuk mengukur korelasi data dengan skala pengukuran
interval atau rasio. Sedangkan dalam statistika
nonparametrik, untuk kasus pengukuran analisis korelasi
antara dua kumpulan skor dapat digolongkan berdasarkan
pada skala pengukuran variabel penelitiannya (skala
nominal, ordinal, atau interval-rasio). Adapun
penggolongan uji korelasi itu adalah sebagai berikut:

Gambar 1. Pembagian Korelasi

Dari bagan di atas, dapat dilihat bahwa koefisien korelasi
nonparametrik untuk jenis data dengan skala pengukuran
ordinal, terdapat empat macam koefisien korelasi yang
dapat digunakan, yaitu koefisien korelasi peringkat
Spearman-rho yang dinotasikan dengan , koefisien
korelasi Kendall-tau yang dinotasikan dengan , koefisien
korelasi Somers yang dinotasikan dengan
yx
d , dan
koefisien korelasi Gamma yang dinotasikan dengan G.
Keempat koefisien korelasi ini didasarkan pada ranking.
Hanya saja antara koefisien korelasi peringkat Spearman-
rho dengan koefisien korelasi Kendall-tau, Gamma, dan
Somers ada sedikit perbedaan. Dimana untuk koefisien
korelasi peringkat Spearman-rho memperhitungkan
besarnya perbedaan rank pasangan nilai pengamatan
) , (
i i
Y X
, sedangkan untuk koefisien korelasi Kendall-tau,
koefisien korelasi Somers, dan koefisien korelasi Gamma
hanya memperhitungkan kekuatan asosiasi berdasarkan
arah pasangan nilai pengamatan
) , (
i i
Y X
dan tidak
memperhitungkan besarnya perbedaan pasangan nilai
pengamatan ) , (
i i
Y X seperti pada koefisien korelasi
peringkat Spearman-rho atau dengan kata lain koefisien
korelasi Kendall-tau, koefisien korelasi Somers, dan
koefisien korelasi Gamma didasarkan pada konsep
pasangan concordant (C) dan discordant (D).

Untuk mengetahui keeratan hubungan antara dua variabel,
tidak hanya dilihat dari besarnya nilai koefisien korelasi
antara dua variabel yang diberikan. Akan tetapi perlu juga
dilakukan uji signifikansi, dalam hal ini pengujian
hipotesis dari kedua variabel tersebut.

Hipotesis-hipotesis
Uji dua arah
H
0
: X
i
dan Y
i
saling bebas
H
1
: X
i
dan Y
i
dependen (hubungan positif atau
negatif) .
Uji satu arah (Positif)
H
0
: X
i
dan Y
i
saling bebas
H
1
: X
i
dan Y
i
dependen (hubungan positif) .
Uji satu arah (Negatif)
H
0
: X
i
dan Y
i
saling bebas
H
1
: X
i
dan Y
i
dependen (hubungan negatif) .

a. Koefisien Korelasi Nonparametrik Untuk Skala
Ordinal

Koefisien korelasi merupakan ukuran yang menyatakan
keeratan hubungan antara dua variabel. Koefisien korelasi
bivariat yang paling lama dan banyak digunakan adalah
korelasi yang dikembangkan oleh Karl Pearson.
Perhitungan dalam korelasi ini didasarkan pada data
sebenarnya (variabel asli). Secara statistik, koefisien
korelasi momen hasil kali Pearson atau sering disingkat
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 375
dengan koefisien korelasi Pearson yang dinotasikan
dengan r dirumuskan sebagai berikut:
( )( )
( ) ( )
2
1
1
2
1
2
1
1 1
1
(
(

|
|

\
|

|
|

\
|

= =
=
n
i
i
n
i
i
n
i
i i
Y Y
n
X X
n
Y Y X X
n
r
(3)

Dalam aplikasinya koefisien korelasi ini digunakan untuk
mengukur keeratan hubungan di antara hasil-hasil
pengamatan dari populasi yang mempunyai dua varian
(bivariat). Perhitungan dalam tekhnik korelasi ini
mensyaratkan bahwa populasi asal sampel mempunyai dua
varian dan berdistribusi normal. Selain itu teknik korelasi
ini dalam aplikasinya digunakan untuk mengukur korelasi
data interval atau rasio.

i. Koefisien korelasi peringkat Spearman - rho ( )

Ukuran korelasi nonparametrik yang analog dengan
koefisien korelasi Pearson (r) adalah koefisien korelasi
yang dikembangkan oleh Charles Spearman (1908) yaitu
koefisien korelasi peringkat Spearman. Statistik ini kadang
disebut dengan Spearman- rho, dan dinotasikan dengan .
Jika pada koefisien korelasi Pearson (r) digunakan untuk
mengetahui korelasi data kuantitatif (skala interval dan
rasio), maka pada koefisien korelasi peringkat Spearman-
rho digunakan untuk pengukuran korelasi pada statistik
nonparametrik (skala ordinal). Ini merupakan ukuran
korelasi yang menuntut kedua variabel diukur sekurang-
kurangnya dalam skala ordinal sehingga obyek-obyek
penelitiannya dapat diranking dalam dua rangkaian
berurut.

Misal data terdiri dari sampel acak bivariat berukuran n,
yaitu ) , ( , ), , ( ), , (
2 2 1 1 n n
Y X Y X Y X K . Misalkan ) (
i
X R adalah
rank dari
i
X dibandingkan dengan nilai X lainnya, untuk
n i , , 2 , 1 K = . 1 ) ( =
i
X R jika
i
X
adalah nilai X terkecil dari
n
X X X , , ,
2 1
K , 2 ) ( =
i
X R jika
i
X adalah nilai X terkecil
kedua, dan seterusnya dengan rank n ditandai sebagai
nilai
i
X
terbesar. Begitu juga untuk ) (
i
Y R . Jika di antara
nilai X
i
atau di antara nilai Y
i
terdapat angka sama, maka
masing-masing nilai yang sama diberi peringkat rata-rata
dari posisi-posisi yang seharusnya.

Rumus koefisien korelasi peringkat Spearman- rho
merupakan turunan rumus koefisien korelasi Pearson,
yaitu
( )( )
( ) ( )
2
1
2 2
(

Y Y X X
Y Y X X
r
i i
i i
(4)
dimana untuk koefisien korelasi peringkat Spearman-rho
(), variabel asli diganti dengan rank-ranknya, maka X
i
diganti dengan R(X
i
) dan Y
i
diganti dengan R(Y
i
). Sehingga
rumus koefisien korelasi peringkat Spearman-rho ( )
adalah
[ ][ ]
( ) ( )
12
) 1 (
2
1
) (
2
1
) (
12
) 1 (
12
) 1 (
2
1
) (
2
1
) (
) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
2
1
2
1
2 2
1
2
1
1 1
2 2
1

=
|
|

\
|

=
(
(

=
=
= =
=
n n
n
Y R
n
X R
n n n n
n
Y R
n
X R
Y R Y R X R X R
Y R Y R X R X R
n
i
i i
n
i
i i
n
i
n
i
i i
n
i
i i

(5)
untuk mempermudah perhitungan, maka persamaan diatas
dapat disederhanakan sebagai berikut
[ ]
) 1 (
6
1
) 1 (
) ( ) ( 6
1
2 2
1
2

=
n n
T
n n
Y R X R
n
i
i i

(6)
dimana
[ ]

= =
=
n
i
i i
n
i
i
Y R X R d
1
2
1
2
) ( ) (
, yaitu jumlah
kuadrat dari selisih-selisih antara rank-rank
i i
Y dan X

untuk masing-masing pengamatan.

Langkah-langkah untuk menghitung koefisien korelasi
Spearman-rho () adalah sebagai berikut :
Berilah peringkat untuk masing-masing pengamatan X
mulai dari 1 hingga n, juga untuk pengamatan Y beri
peringkat mulai dari 1 sampai n.
Tentukan harga

=
n
i
i
d
1
2
, yaitu jumlah kuadrat dari
selisih-selisih antara rank-rank
i i
Y dan X
untuk masing-
masing pengamatan.
Gunakan persamaan 6 untuk menghitung .



Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 376
ii. Koefisien korelasi Kendall - Tau ( )

Koefisien korelasi yang kedua yang biasa digunakan untuk
mengukur kekuatan korelasi untuk data penelitian dengan
skala pengukuran ordinal adalah koefisien korelasi yang
dikenalkan oleh M.G. Kendall (1938) yaitu koefisien
korelasi Kendall-tau yang dinotasikan dengan . Koefisien
korelasi ini memiliki sifat yang sama dengan koefisien
korelasi peringkat Spearman-rho, tetapi berbeda dasar
logikanya. Jika untuk koefisien korelasi peringkat
Sperman-rho didasarkan pada peringkat (rank), dimana
baik variabel X dan variabel Y masing-masing kita
ranking. Sedangkan untuk koefisien korelasi Kendall-tau
salah satu variabelnya yang diberi peringkat (diurutkan),
yaitu variabel X saja atau variabel Y saja dalam hal ini
biasanya adalah variabel X. Sedangkan variabel Y akan
dilihat apakah nilai variabel Y itu searah (konkordan) atau
berlawanan arah (diskordan) dengan variabel X yang
sudah diurutkan.

Jika ada data bivariat n i Y X
i i
,..., 2 , 1 ), , ( = dimana X dan Y
sekurang-kurangnya berskala ordinal. Maka untuk setiap
pasangan nilai observasi ) , (
i i
Y X dan
) , (
j j
Y X
untuk
j i

dapat didefinisikan pasangan nilai sebagai berikut :
i). Pasangan
) , (
i i
Y X
dan
) , (
j j
Y X
konkordan, jika
0 ) )( ( >
j i j i
Y Y X X
artinya adalah jika
j i
X X >
maka
j i
Y Y > atau jika
j i
X X <
maka
j i
Y Y <
sehingga ) ( X X dan ) ( Y Y memiliki tanda yang
sama, yaitu sama-sama positif atau sama-sama negatif
dengan hasil kali yang selalu positif.
ii) Pasangan ) , (
i i
Y X dan
) , (
j j
Y X
diskordan, jika
0 ) )( ( <
j i j i
Y Y X X
artinya adalah jika
j i
X X >
maka
j i
Y Y < atau jika
j i
X X <
maka
j i
Y Y >

sehingga
) ( X X
dan ) ( Y Y memiliki tanda yang
berlawanan dengan hasil kali yang selalu negatif.

Secara keseluruhan, untuk n pengamatan ada sebanyak
2
) 1 (
2

=
|
|

\
| n n n pasangan yang mungkin. Jika ada
sebanyak C pasangan yang searah (konkordan) dan D
pasangan yang berlawanan arah (diskordan), maka
Kendall-tau dapat dihitung sebagai berikut:
) 1 (
2
1

=
n n
D C

(7)
Langkah-langkah untuk menghitung koefisien korelasi
Kendall-tau () adalah sebagai berikut :
Susunlah pasangan-pasangan (X
i
,Y
i
) dalam sebuah
kolom menurut besarnya nilai-nilai pengamatan X, dari
nilai pengamatan X yang paling kecil. Disini dapat
dikatakan bahwa nilai-nilai X berada dalam urutan yang
wajar (natural order).
Perbandingkan setiap nilai pengamatan Y satu demi satu
dengan setiap nilai Y yang ada di sebelah bawahnya.
Jika nilai Y yang di bawah lebih besar dari Y yang di
atasnya, maka arah nilai pengamatannya sama
(konkordan). Dan jika nilai Y yang di bawah lebih kecil
dari Y yang di atasnya, maka arah nilai pengamatannya
berlawanan (diskordan).
Tetapkan C sebagai banyaknya pasangan konkordan
dan D banyaknya pasangan diskordan.
gunakan persamaan [7] untuk menghitung .

iii. Koefisien korelasi Gamma ( G)

Sebelumnya sudah dibahas dua koefisien korelasi untuk
dua variabel dengan skala pengukuran ordinal, yaitu
Spearman-rho dan Kendall-tau. Akan tetapi, jika data
pasangan pengamatan banyak mengandung angka sama
atau ada situasi dimana data pengamatan ditampilkan
dalam bentuk tabel kontingensi, maka penggunaan
koefisien korelasi Spearman-rho dan Kendall-tau akan
kurang efektif. Dengan demikian untuk data pasangan
pengamatan yang keduanya bertipe ordinal dan
ditampilkan dalam bentuk tabel kontingensi, koefisien
korelasi yang dapat digunakan adalah koefisien korelasi
Gamma (G) dan koefisien korelasi Somers ) (
yx
d .

Koefisien korelasi yang ketiga yang dapat digunakan
untuk mengukur korelasi untuk data penelitian dengan
skala pengukuran ordinal adalah koefisien korelasi
Gamma, yang dinotasikan dengan G. Koefisien korelasi
ini dikenalkan oleh Goodman dan Kruskal (1954).
Koefisien korelasi ini memiliki dasar logika yang sama
dengan koefisien korelasi Kendall-tau, yaitu didasarkan
pada banyaknya pasangan konkordan (C) dan pasangan
diskordan (D).

Misalkan ada dua pengamatan bivariat X dan Y, dimana
keduanya merupakan variabel terurut. Pengamatan X
i

terdiri dari
k
X X X , , ,
2 1
K , k i , , 2 , 1 K = dimana
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 377
k
X X X < < < L
2 1
. Begitu juga dengan pengamatan Y
j

terdiri dari
r
Y Y Y , , ,
2 1
K , r j , , 2 , 1 K = dimana
r
Y Y Y < < < L
2 1
.

Untuk menghitung statistik G dari dua pasangan
pengamatan untuk data ordinal,
k
X X X , , ,
2 1
K dan
r
Y Y Y , , ,
2 1
K yang disusun dalam tabel kontingensi seperti
dibawah ini,

Tabel 1. Tabel Kontingensi Data Kategorik Peringkat.
X
1
X
2
X
k
Total
Y
1
Y
2

.
.
.
Y
r

n
11
n
21
.
.
.
n
r1
n
12
n
22

.
.
.

n
r2







n
1k
n
2k

.
.
.
n
rk
R
1
R
2

.
.
.
R
r
Total C
1
C
2

C
k
N

maka statistik G didefinisikan sebagai berikut,
D C
D C
G
+

=
(9)
dimana

+
=
j i
ij ij
N n C
.
dengan 1 , , 2 , 1 = r i K dan
1 , , 2 , 1 = k j K
,

=
j i
ij ij
N n D
.
dengan 1 , , 2 , 1 = r i K dan
k j , , 2 , 1 K =
+
ij
N dan

ij
N didefinisikan sebagai berikut:

+ = + =
+
=
j
i p
k
j q
pq ij
n N
1 1
dan

+ =

=
j
i p
k
q
pq ij
n N
1
1
1
(10)
Langkah-langkah menghitung koefisien korelasi Gamma
(G) adalah sebagai berikut:
Hitung banyaknya pasangan konkordan dan diskordan
dari tabel kontingensi yang diberikan. Dimana untuk
menghitung banyaknya pasangan konkordan dapat
digunakan persamaan 9 dan untuk menghitung
banyaknya pasangan diskordan gunakan persamaan 10.
Setelah banyaknya pasangan konkondan (C) dan
diskordan (D) sudah diketahui, substitusikan C dan D ke
persamaan 8.

iv. Koefisien korelasi Somers ) (
yx
d

Koefisien korelasi yang dapat digunakan untuk mengukur
kekuatan korelasi untuk data penelitian dimana kedua
variabel berskala ordinal dan data ditampilkan dalam
bentuk tabel kontingensi selain koefisien korelasi Gamma
(G) adalah koefisien korelasi Somers, yang dinotasikan
dengan ) (
yx
d . Koefisien korelasi ini dikenalkan oleh
Somers (1962). Koefisien korelasi ini juga memiliki dasar
logika yang sama dengan koefisien korelasi Kendall-tau
dan Gamma, yaitu didasarkan pada banyaknya pasangan
konkordan (C) dan pasangan diskordan (D).
Untuk menghitung statistik ) (
yx
d dari dua buah
pengamatan terurut X dan Y, yaitu
k
X X X , , ,
2 1
K dan
r
Y Y Y , , ,
2 1
K .
Statistik ) (
yx
d didefinisikan sebagai berikut :

=
k
i
i
yx
C N
D C
d
1
2 2
) ( 2
(11)
N adalah banyaknya pengamatan dan C
i
merupakan
frekuensi marginal dari nilai pengamatan X. Statistik
) (
yx
d menyatakan selisih proporsi pasangan konkordan
dan diskordan diantara pasangan dengan nilai pasangan
pengamatan yang berangka sama untuk variabel X.

Langkah-langkah menghitung koefisien korelasi Somers
) (
yx
d adalah sebagai berikut:
Dengan cara yang sama seperti koefisien korelasi
Gamma (G), hitung banyaknya pasangan konkordan dan
diskordan dari tabel kontingensi yang diberikan
menggunakan persamaan 9 dan 10.
Selanjutnya hitung jumlah kuadrat dari banyaknya
frekuensi dalam tiap baris di setiap kolomnya.
Kemudian substitusikan ke persamaan 11.

b. Hubungan antara Gamma (G) dan Somers ) (
yx
d

Dari informasi yang diberikan, diketahui bahwa rumus
koefisien korelasi Gamma (G) adalah sebagai berikut :
D C
D C
G
+

=

dan koefisien korelasi Somers ) (
yx
d adalah sebagai
berikut :
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 378

=
k
i
i
yx
C N
D C
d
1
2 2
) ( 2

sehingga hubungan antara Gamma (G) dan Somers
) (
yx
d adalah
) ( 2
) ( 2
1
2 2
1
2 2
D C
C N
C N
D C
D C
D C
d
G
k
i
i
k
i
i
yx
+

=
=

dengan demikian
yx
k
i
i
d
D C
C N
G
|
|
|
|
|
|

\
|
+

=
) ( 2
1
2 2
(12)
atau
G
C N
D C
d
k
i
i
yx
|
|
|
|
|

\
|

+
=

=1
2 2
) ( 2
(13)
untuk data yang sama, dalam perhitungan G dan ) (
yx
d
nilai

+
k
i
i
C N
D C
1
2 2
) ( 2
konstan.

3. Teladan Penerapan

Sebagai ilustrasi, data yang digunakan untuk perhitungan
koefisien korelasi nonparametrik untuk skala ordinal
adalah data simulasi. Simulasi data ini merupakan dua
buah data berpasangan (X,Y). Data simulasi terdiri dari dua
jenis, yaitu data tidak normal (seragam) dan data normal.
Dimana simulasi data dibuat menggunakan program
komputer Microsoft EXCEL.

1. Perhitungan Koefisien Korelasi Pearson, Spearman -
rho,dan Kendall-tau

Perhitungan koefisien korelasi Pearson, koefisien korelasi
Spearman-rho, dan koefisien korelasi Kendall-tau (), data
simulasi yang digunakan itu sama. Data sebanyak 100
sampel, dimana setiap sampel terdiri dari 12 pengamatan.
Data simulasi di sini ada dua macam, yang pertama data
simulasi dengan sebaran seragam. Kemudian data tadi
dibangkitkan sehingga datanya berdistribusi normal. Salah
satu contoh sampelnya adalah sebagai berikut:


Tabel 2. Simulasi Data Seragam
Simulasi Data
X Y
1 48 1
2 55 2
3 48 3
4 7 4
5 17 5
6 84 6
7 87 7
8 22 8
9 45 9
10 56 10
11 74 11
12 34 12

Tabel 3. Simulasi Data Normal
Simulasi Data
X Y
1 -10 11
2 -2 -6
3 4 -17
4 3 -16
5 3 0
6 -4 7
7 -2 -2
8 -13 9
9 2 -2
10 -4 -3
11 0 8
12 -5 2

Setelah simulasi data untuk masing-masing sampel dibuat,
maka langkah selanjutnya adalah menghitung masing-
masing koefisien korelasi Pearson, Spearman-rho, dan
Kendall-tau () untuk masing-masing sampel baik itu data
seragam maupun data normal. Dengan demikian dapat
diperoleh secara keseluruhan nilai koefisien korelasi
Pearson, Spearman-rho, dan Kendall-tau untuk 100
sampel baik untuk data seragam maupun data normal telah
dilakukan.

Dari 100 sampel yang dibangkitkan dari distribusi
seragam, kebanyakan nilai-nilai koefisien korelasi yang
diberikan oleh koefisien korelasi Spearman-rho dan
Kendall-tau cenderung lebih besar dibandingkan dengan
koefisien korelasi Pearson. Ini sesuai dengan yang
diharapkan, karena data pengamatan merupakan sampel
acak dengan distribusi seragam dan koefisien korelasi
yang baik digunakan untuk menghitung data semacam itu
adalah koefisien korelasi Spearman-rho dan Kendall-tau
dimana data pengamatannya tidak berdistribusi normal.
Sedangkan koefisien korelasi Pearson digunakan untuk
menghitung koefisien korelasi dimana data
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 379
pengamatannya berdistribusi normal, sehingga untuk data
seragam nilai koefisien korelasi Pearson yang diberikan
lebih kecil.

Sebaliknya, dari 100 sampel yang dibangkitkan dari
distribusi normal, kebanyakan nilai-nilai koefisien korelasi
Pearson lebih besar dibandingkan dengan koefisien
korelasi Spearman-rho dan Kendall-tau. Ini sesuai dengan
yang diharapkan, karena koefisien korelasi Pearson
memang baik digunakan untuk data pengamatan yang
berdistribusi normal. Sedangkan koefisien korelasi
Spearman-rho dan Kendall-tau digunakan untuk data yang
tidak berdistribusi normal sehingga nilai koefsien yang
diberikan lebih kecil dibandingkan dengan koefisien
korelasi Pearson.

2. Perhitungan Koefisien Korelasi Gamma (G) dan
Somers ) (
yx
d

Untuk perhitungan koefisien korelasi Gamma (G) dan
Somers ) (
yx
d , data simulasi yang digunakan juga sama.
Data sebanyak 100 sampel, dimana setiap sampel terdiri
dari 1000 pengamatan. Data simulasi di sini juga dua
macam yaitu data seragam dan data normal. Karena
koefisien korelasi Gamma (G) dan Somers ) (
yx
d
merupakan suatu ukuran asosiasi dimana data
pengamatannya berupa data kategori peringkat dan
ditampilkan dalam bentuk tabel kontingensi sehingga data
dibangkitkan ke bentuk tabel kontingensi. Disini masing-
masing pengamatan X dan Y dibagi menjadi beberapa
kelas, dalam hal ini dibagi ke dalam beberapa kategori.
Berikut contoh simulasi data untuk salah satu sampel
dengan 1000 pengamatan untuk data simulasi dari data
seragam dan data normal.

Tabel 4. Data Simulasi Kategorik Seragam
X Y
1 0.84352 0.46344 4 2 42
2 0.45049 0.51671 2 2 22
3 0.66206 0.33482 3 1 31
4 0.65512 0.17671 3 0 30
5 0.55677 0.29441 2 1 21
6 0.03931 0.25021 0 1 1
7 0.55919 0.99774 2 4 24
8 0.54403 0.13505 2 0 20
9 0.17538 0.63256 0 3 3
10 0.20846 0.51695 1 2 12

1000 0.68083 0.61992 3 3 33
Tabel 5. Data Simulasi Kategorik Normal
X Y
1 17.45115 14.72188 1 1 11
2 31.07570 26.42992 3 2 32
3 32.10446 21.43789 3 2 32
4 35.45599 42.42763 3 4 34
5 38.26679 34.41158 3 3 33
6 29.08129 23.76656 2 2 22
7 29.15713 40.98426 2 4 24
8 42.04156 8.83054 4 0 40
9 33.67225 38.77020 3 3 33
10 27.38279 41.45445 2 4 24

1000 22.02840 44.96036 2 4 24

Dari tabel 4 dan 5 di atas untuk tiga kolom terakhir
merupakan alat bantu untuk membangkitkan data dari data
pengamatan X dan Y yang diberikan ke bentuk data
kategorik, dalam hal ini dibuat ke dalam bentuk tabel
kontingensi. Setelah melalui beberapa proses, maka data
pengamatan X dan Y di atas menghasilkan tabel
kontingensi sebagai berikut:

Tabel 6. Kontingensi Data Seragam
2 0 1
0 51 39 41 48 38 217
1 31 28 34 35 34 162
2 38 45 52 53 41 229
3 48 41 31 40 38 198
4 43 43 37 28 43 194
211 196 195 204 194 1000

Tabel 7. Kontingensi Data Seragam
0 1 2 3 4
0 0 1 10 6 3 20
1 2 18 53 52 21 146
2 6 47 115 110 48 326
3 11 45 125 115 41 337
4 2 15 47 50 13 127
21 126 350 333 126 956

Setelah tabel kontingensi dibuat, dapat dihitung nilai
koefisien korelasi Gamma (G) dan Somers ) (
yx
d . Baik
untuk data normal ataupun data seragam, kebanyakan nilai
koefisien korelasi Gamma (G) yang diberikan cenderung
lebih besar dibandingkan dengan koefisien korelasi
Somers ) (
yx
d . Ini disebabkan koefisien korelasi Gamma
tidak memperhatikan banyaknya data kembar, sedangkan
untuk koefisien korelasi Somers
) (
yx
d
banyaknya data
kembar untuk pengamatan X diperhatikan.
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 380
Baik untuk data seragam maupun data normal dari tabel
nilai-nilai koefisien korelasi Gamma (G) dan Somers ) (
yx
d
untuk 100 sampel, nilai slope (kemiringan garis) yang
diberikan berturut-turut sebesar 0.7882 dan 0.7021. Nilai
slope menunjukkan dua hal, yaitu arah hubungan dan
besarnya perubahan pada nilai-nilai koefisien korelasi
Gamma (G) yang terjadi sehubungan dengan perubahan
pada nilai-nilai koefisien korelasi Somers ) (
yx
d .

Arah hubungan dapat dilihat dari tanda aljabar (positif atau
negatif) pada nilai slope. Karena nilai slope bernilai
positif, ini menyatakan bahwa arah hubungan antara nilai-
nilai koefisien korelasi Gamma (G) dan Somers ) (
yx
d
adalah positif baik untuk data seragam ataupun data
normal. Dimana hubungan yang positif menunjukkan
bahwa kenaikan nilai koefisien korelasi Gamma (G)
diikuti oleh kenaikan pada nilai koefisien korelasi Somers
) (
yx
d dan sebaliknya penurunan nilai koefisien korelasi
Gamma (G) diikuti oleh penurunan pada nilai koefisien
korelasi Somers ) (
yx
d . Untuk melihat pola hubungan
antara nilai-nilai koefisien korelasi Gamma (G) dan
Somers ) (
yx
d baik untuk data seragam maupun data
normal dapat dilihat pada Gambar 2 dan Gambar 3.

Pola hubungan antara nilai-nilai koefisien korelasi Gamma
(G) dan Somers
) (
yx
d
baik untuk data seragam maupun
data normal yang terlihat pada Gambar 2 dan Gambar 3 di
atas adalah hubungan yang bersifat linier karena dapat
dihampiri oleh sebuah garis lurus. Sehingga hubungan
antara nilai-nilai koefisien korelasi Gamma (G) dan nilai-
nilai koefisien korelasi Somers
) (
yx
d
adalah linier.


Gambar 2. Hubungan linier antara Gamma dan Somers untuk
data seragam



Gambar 3. Hubungan linier antara Gamma dan Somers untuk
data normal

4. Kesimpulan

Koefisien korelasi yang dapat digunakan untuk skala data
ordinal adalah koefisien korelasi Spearman-rho (),
Kendall-tau (), Gamma (G), dan Somers ) (
yx
d . Untuk
data yang tidak normal (data seragam), nilai koefisien
korelasi yang diberikan oleh koefisien korelasi Spearman-
rho dan Kendall- tau lebih besar dibandingkan dengan
koefisien korelasi Pearson. Sedangkan untuk data normal
nilai koefisien korelasi Pearson lebih besar dibandingkan
dengan koefisien korelasi Spearman- rho dan Kendall-
tau. Hal ini menunjukkan bahwa :
- Koefisien korelasi Pearson (r) baik digunakan jika data
pengamatan berdistribusi normal dan skala data
serendah-rendahnya adalah interval atau rasio.
- Koefisien korelasi Spearman-rho () dan Kendall-tau
() baik digunakan untuk pasangan pengamatan yang
tidak berdistribusi normal.

Koefisien korelasi Gamma (G) dan Somers
) (
yx
d

digunakan untuk pasangan pengamatan dengan skala data
ordinal dalam bentuk kategorik peringkat (data
ditampilkan dalam bentuk tabel kontingensi) dan
Koefisien korelasi Gamma (G) dan Somers ) (
yx
d
menunjukkan hubungan yang linier.

Daftar Pustaka

[1] Agresti, 1984. Analysis of Ordinal Categorical Data. John
Wiley and Sons. New York.
[2] Anonim. 2003. Introduction to Exact Nonparametric
Inference. http://www.cytel.com/Products/ StatXact/ Intro_
Nonparametric_Inference.pdf
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 381
[3] Anonim. 2000. Correlation. http://www.blackwell
publishing. com/ content/BPL_Images/Content_store/Samp
le_chapter/9781405127806/Petrie%20sample%20Ch26.pdf
[4] Aryee, M. 2002. Measures of Association. http://academic.
shu.edu/eop/worksheets/exac2126/PRE--Measures%20of
%20Association--1203.doc
[5] Azizi.2005. Analisis Berstatistik Lanjutan. http://www.geo
cities.com/kheru2006/vii.htm
[6] Conover, W.J. 1971. Practical Nonparametric Statistics.
Wiley International Edition. John Wiley and Sons. New
York, NY.
[7] Daniel, W. 1989. Statistika Nonparametrik Terapan.
Penerbit PT. Gramedia. Jakarta.
[8] Djarwanto, 1997. Statistika Nonparametrik. BPFE -
Yogyakarta. Yogyakarta.
[9] Elifson, K.W, and R. Runyon. 1990. Fundamental of Social
Statistics. Second Edition. McGraw-Hill International
Edition. Singapore.
[10] Gibbon, J.D. 1985. Nonparametric Statistical Inference.
Marcel Dekker. New York, NY.
[11] Loether, H. and D.G. McTavish.1988. Descriptive and
Inferential Statistics: An Introduction, Third Edition. Allyn
and Bacon. Needham Heights, MA.
[12] Lohninger, H. 2006. Ordinal Association.
http://www.statisticssolutions.com/ordinal-association.htm
[13] SAS Institute, 1999. Measures of Association.
http://v8doc.sas.com/sashtml/stat/chap28/sect20.htm
[14] Scheaffer R.L. 1999. Categorical Data Analysis.
http://courses.ncssm.edu/math/Stat_Inst/PDFS/Categorical
%20Data%20Analysis.pdf
[15] Siegel, S., and J. Castellan, Jr. 1988. Nonparametric
Statistics for the Behavioral Sciences. McGraw-Hill
International Edition. Singapore.